14 ໂຄງການ open-source ເພື່ອປັບປຸງທັກສະ Data Science (ງ່າຍ, ທຳ ມະດາ, ຍາກ)

ວິທະຍາສາດຂໍ້ມູນສໍາລັບຜູ້ເລີ່ມຕົ້ນ

1. ການວິເຄາະຄວາມຮູ້ສຶກ (ການວິເຄາະຄວາມຮູ້ສຶກຜ່ານຂໍ້ຄວາມ)

ກວດເບິ່ງການຈັດຕັ້ງປະຕິບັດໂຄງການວິທະຍາສາດຂໍ້ມູນແບບສົມບູນໂດຍໃຊ້ລະຫັດແຫຼ່ງ − ໂຄງການການວິເຄາະຄວາມຮູ້ສຶກໃນ ​​R.

ການວິເຄາະຄວາມຮູ້ສຶກແມ່ນການວິເຄາະຄໍາສັບຕ່າງໆເພື່ອກໍານົດຄວາມຮູ້ສຶກແລະຄວາມຄິດເຫັນ, ເຊິ່ງສາມາດເປັນບວກຫຼືລົບ. ນີ້ແມ່ນປະເພດຂອງການຈັດປະເພດທີ່ຫ້ອງຮຽນສາມາດເປັນສອງ (ບວກແລະລົບ) ຫຼືຫຼາຍ (ດີໃຈ, ໃຈຮ້າຍ, ໂສກເສົ້າ, nasty ... ). ພວກເຮົາຈະປະຕິບັດໂຄງການວິທະຍາສາດຂໍ້ມູນນີ້ໃນ R ແລະຈະໃຊ້ຊຸດຂໍ້ມູນໃນຊຸດ "janeaustenR". ພວກເຮົາຈະນໍາໃຊ້ວັດຈະນານຸກົມທີ່ມີຈຸດປະສົງທົ່ວໄປເຊັ່ນ AFINN, bing ແລະ loughran, ປະຕິບັດການເຂົ້າຮ່ວມພາຍໃນ, ແລະໃນຕອນທ້າຍພວກເຮົາຈະສ້າງຄໍາທີ່ໃຊ້ເພື່ອສະແດງຜົນໄດ້ຮັບ.

: R
ຊຸດຂໍ້ມູນ/ຊຸດ: JaneaustenR

ບົດຄວາມໄດ້ຖືກແປດ້ວຍການສະຫນັບສະຫນູນຂອງຊອບແວ EDISON, ເຊິ່ງ ເຮັດໃຫ້ຫ້ອງ fitting virtual ສໍາລັບຮ້ານຄ້າຫຼາຍຍີ່ຫໍ້ແລະ ຊອບ​ແວ​ການ​ທົດ​ສອບ​.

2. ການກວດຫາຂ່າວປອມ

ເອົາທັກສະຂອງທ່ານໄປສູ່ລະດັບຕໍ່ໄປໂດຍການເຮັດວຽກໃນໂຄງການວິທະຍາສາດຂໍ້ມູນສໍາລັບຜູ້ເລີ່ມຕົ້ນ - ກວດພົບຂ່າວປອມດ້ວຍ Python.

ຂ່າວປອມແມ່ນຂໍ້ມູນຂ່າວສານທີ່ບໍ່ຖືກຕ້ອງເຜີຍແຜ່ຜ່ານສື່ສັງຄົມແລະສື່ອອນໄລນ໌ອື່ນໆເພື່ອບັນລຸເປົ້າຫມາຍທາງດ້ານການເມືອງ. ໃນແນວຄວາມຄິດໂຄງການວິທະຍາສາດຂໍ້ມູນນີ້, ພວກເຮົາຈະໃຊ້ Python ເພື່ອສ້າງຕົວແບບທີ່ສາມາດກໍານົດໄດ້ຢ່າງຖືກຕ້ອງວ່າຂ່າວແມ່ນເປັນຂອງແທ້ຫຼືປອມ. ພວກເຮົາຈະສ້າງ TfidfVectorizer ແລະໃຊ້ PassiveAggressiveClassifier ເພື່ອຈັດປະເພດຂ່າວເປັນ "ຈິງ" ແລະ "ປອມ". ພວກເຮົາຈະໃຊ້ຊຸດຂໍ້ມູນຂອງຮູບຮ່າງ 7796×4 ແລະດໍາເນີນການທຸກຢ່າງໃນ Jupyter Lab.

: Python

ຊຸດຂໍ້ມູນ/ຊຸດ: news.csv

3. ກວດຫາພະຍາດ Parkinson

ກ້າວໄປຂ້າງໜ້າດ້ວຍແນວຄວາມຄິດໂຄງການວິທະຍາສາດຂໍ້ມູນຂອງເຈົ້າ - ກວດຫາພະຍາດ Parkinson ໂດຍໃຊ້ XGBoost.

ພວກເຮົາໄດ້ເລີ່ມນໍາໃຊ້ວິທະຍາສາດຂໍ້ມູນເພື່ອປັບປຸງການດູແລສຸຂະພາບແລະການບໍລິການ - ຖ້າພວກເຮົາສາມາດຄາດຄະເນພະຍາດຢູ່ໃນຂັ້ນຕອນຕົ້ນ, ຫຼັງຈາກນັ້ນພວກເຮົາຈະມີປະໂຫຍດຫຼາຍ. ດັ່ງນັ້ນ, ໃນແນວຄວາມຄິດໂຄງການວິທະຍາສາດຂໍ້ມູນນີ້, ພວກເຮົາຈະຮຽນຮູ້ວິທີການກວດພົບພະຍາດ Parkinson ໂດຍໃຊ້ Python. ມັນເປັນພະຍາດ neurodegenerative, ກ້າວຫນ້າຂອງລະບົບປະສາດສ່ວນກາງທີ່ມີຜົນກະທົບການເຄື່ອນໄຫວແລະເຮັດໃຫ້ການສັ່ນສະເທືອນແລະຄວາມແຂງ. ມັນມີຜົນກະທົບຕໍ່ neurons ທີ່ຜະລິດ dopamine ໃນສະຫມອງ, ແລະໃນແຕ່ລະປີ, ມັນມີຜົນກະທົບຫຼາຍກວ່າ 1 ລ້ານຄົນໃນປະເທດອິນເດຍ.

: Python

ຊຸດຂໍ້ມູນ/ຊຸດ: ຊຸດຂໍ້ມູນ UCI ML Parkinson

ໂຄງການວິທະຍາສາດຂໍ້ມູນຂອງຄວາມສັບສົນຂະຫນາດກາງ

4. ການຮັບຮູ້ອາລົມທາງປາກເວົ້າ

ກວດສອບການຈັດຕັ້ງປະຕິບັດໂຄງການຕົວຢ່າງວິທະຍາສາດຂໍ້ມູນ − ການຮັບຮູ້ສຽງເວົ້າໂດຍໃຊ້ Librosa.

ຕອນນີ້ໃຫ້ພວກເຮົາຮຽນຮູ້ວິທີການໃຊ້ຫ້ອງສະຫມຸດທີ່ແຕກຕ່າງກັນ. ໂຄງການວິທະຍາສາດຂໍ້ມູນນີ້ໃຊ້ librosa ສໍາລັບການຮັບຮູ້ສຽງເວົ້າ. SER ແມ່ນຂະບວນການກໍານົດຄວາມຮູ້ສຶກຂອງມະນຸດແລະລັດທີ່ມີຜົນກະທົບຈາກການປາກເວົ້າ. ເນື່ອງຈາກພວກເຮົາໃຊ້ສຽງ ແລະສຽງເພື່ອສະແດງຄວາມຮູ້ສຶກດ້ວຍສຽງຂອງພວກເຮົາ, SER ແມ່ນມີຄວາມກ່ຽວຂ້ອງ. ແຕ່ເນື່ອງຈາກອາລົມເປັນຫົວຂໍ້, ຄໍາບັນຍາຍສຽງເປັນວຽກທີ່ທ້າທາຍ. ພວກເຮົາຈະໃຊ້ຟັງຊັນ mfcc, chroma ແລະ mel ແລະໃຊ້ຊຸດຂໍ້ມູນ RAVDESS ສໍາລັບການຮັບຮູ້ຄວາມຮູ້ສຶກ. ພວກເຮົາຈະສ້າງຕົວຈັດປະເພດ MLPC ສໍາລັບຮູບແບບນີ້.

: Python

ຊຸດຂໍ້ມູນ/ຊຸດ: ຊຸດຂໍ້ມູນ RAVDESS

5. ການກວດຫາເພດ ແລະ ອາຍຸ

ປະທັບໃຈນາຍຈ້າງກັບໂຄງການວິທະຍາສາດຂໍ້ມູນຫລ້າສຸດ - ການກໍານົດເພດແລະອາຍຸໂດຍໃຊ້ OpenCV.

ນີ້ແມ່ນວິທະຍາສາດຂໍ້ມູນທີ່ຫນ້າສົນໃຈກັບ Python. ການ​ນໍາ​ໃຊ້​ພຽງ​ແຕ່​ຫນຶ່ງ​ຮູບ​ພາບ​, ທ່ານ​ຈະ​ໄດ້​ຮຽນ​ຮູ້​ທີ່​ຈະ​ຄາດ​ຄະ​ເນ​ເພດ​ແລະ​ອາ​ຍຸ​ຂອງ​ບຸກ​ຄົນ​. ໃນນີ້ພວກເຮົາຈະແນະນໍາທ່ານກ່ຽວກັບ Computer Vision ແລະຫຼັກການຂອງມັນ. ພວກເຮົາຈະສ້າງ ເຄືອຂ່າຍ neural convolutional ແລະຈະໃຊ້ແບບຈໍາລອງທີ່ໄດ້ຮັບການຝຶກອົບຮົມໂດຍ Tal Hassner ແລະ Gil Levy ໃນຊຸດຂໍ້ມູນ Adience. ໄປຕາມທາງທີ່ພວກເຮົາຈະໃຊ້ບາງໄຟລ໌ .pb, .pbtxt, .prototxt ແລະ .caffemodel.

: Python

ຊຸດຂໍ້ມູນ/ຊຸດ: ຄວາມມັກ

6. ການວິເຄາະຂໍ້ມູນ Uber

ກວດເບິ່ງການຈັດຕັ້ງປະຕິບັດໂຄງການວິທະຍາສາດຂໍ້ມູນຄົບຖ້ວນດ້ວຍລະຫັດແຫຼ່ງ − ໂຄງການການວິເຄາະຂໍ້ມູນ Uber ໃນ R.

ນີ້ແມ່ນໂຄງການຮູບພາບຂໍ້ມູນທີ່ມີ ggplot2 ທີ່ພວກເຮົາຈະໃຊ້ R ແລະຫ້ອງສະຫມຸດຂອງມັນແລະວິເຄາະຕົວກໍານົດການຕ່າງໆ. ພວກເຮົາຈະໃຊ້ຊຸດຂໍ້ມູນ Uber Pickups New York City ແລະສ້າງການເບິ່ງເຫັນສໍາລັບຊ່ວງເວລາທີ່ແຕກຕ່າງກັນຂອງປີ. ນີ້ບອກພວກເຮົາວ່າເວລາສົ່ງຜົນກະທົບຕໍ່ການເດີນທາງຂອງລູກຄ້າແນວໃດ.

: R

ຊຸດຂໍ້ມູນ/ຊຸດ: ຊຸດຂໍ້ມູນ Uber Pickups ໃນນະຄອນນິວຢອກ

7. Driver Drowsiness detection

ປັບປຸງທັກສະຂອງທ່ານໂດຍການເຮັດວຽກໃນໂຄງການວິທະຍາສາດຂໍ້ມູນສູງສຸດ - ລະ​ບົບ​ການ​ກວດ​ສອບ​ການ​ນອນ​ຫລັບ​ທີ່​ມີ OpenCV & Keras​.

ການຂັບລົດງ່ວງນອນແມ່ນອັນຕະລາຍທີ່ສຸດ, ແລະເກືອບຫນຶ່ງພັນອຸປະຕິເຫດເກີດຂື້ນໃນແຕ່ລະປີເນື່ອງຈາກຄົນຂັບລົດນອນຫລັບໃນຂະນະທີ່ຂັບລົດ. ໃນໂຄງການ Python ນີ້, ພວກເຮົາຈະສ້າງລະບົບທີ່ສາມາດກວດພົບຄົນຂັບທີ່ງ່ວງນອນແລະຍັງແຈ້ງເຕືອນພວກເຂົາດ້ວຍສັນຍານສຽງ.

ໂຄງການນີ້ຖືກປະຕິບັດໂດຍໃຊ້ Keras ແລະ OpenCV. ພວກເຮົາຈະນໍາໃຊ້ OpenCV ສໍາລັບການກວດສອບໃບຫນ້າແລະຕາແລະ Keras ພວກເຮົາຈະຈັດປະເພດສະພາບຕາ (ເປີດຫຼືປິດ) ໂດຍໃຊ້ເຕັກນິກເຄືອຂ່າຍ neural ເລິກ.

8. Chatbot

ສ້າງ Chatbot ກັບ Python ແລະກ້າວໄປຂ້າງຫນ້າໃນອາຊີບຂອງເຈົ້າ - Chatbot ກັບ NLTK & Keras.

Chatbots ແມ່ນສ່ວນຫນຶ່ງທີ່ສໍາຄັນຂອງທຸລະກິດ. ທຸລະກິດຈໍານວນຫຼາຍຕ້ອງໃຫ້ບໍລິການລູກຄ້າຂອງພວກເຂົາແລະມັນຕ້ອງໃຊ້ກໍາລັງຄົນ, ເວລາແລະຄວາມພະຍາຍາມຫຼາຍເພື່ອຮັບໃຊ້ພວກເຂົາ. Chatbots ສາມາດອັດຕະໂນມັດການໂຕ້ຕອບລູກຄ້າຂອງທ່ານໂດຍການຕອບບາງຄໍາຖາມທົ່ວໄປທີ່ລູກຄ້າຖາມ. ໂດຍພື້ນຖານແລ້ວມີສອງປະເພດຂອງ chatbots: ໂດເມນສະເພາະແລະ Open-domain. chatbot ສະເພາະໂດເມນມັກຈະຖືກນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາສະເພາະ. ດັ່ງນັ້ນ, ທ່ານຈໍາເປັນຕ້ອງປັບແຕ່ງມັນເພື່ອເຮັດວຽກຢ່າງມີປະສິດທິພາບໃນພາກສະຫນາມຂອງທ່ານ. chatbots ເປີດໂດເມນສາມາດຖືກຖາມຄໍາຖາມໃດໆ, ດັ່ງນັ້ນການຝຶກອົບຮົມພວກເຂົາຕ້ອງການຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ.

ຊຸດຂໍ້ມູນ: ເຈດຕະນາໄຟລ໌ json

: Python

ໂຄງການວິທະຍາສາດຂໍ້ມູນຂັ້ນສູງ

9. ການສ້າງຄໍາບັນຍາຍຮູບພາບ

ກວດເບິ່ງການຈັດຕັ້ງປະຕິບັດໂຄງການທີ່ສົມບູນດ້ວຍລະຫັດແຫຼ່ງ − ການສ້າງຄໍາບັນຍາຍຮູບພາບທີ່ມີ CNN & LSTM.

ການອະທິບາຍສິ່ງທີ່ຢູ່ໃນຮູບພາບແມ່ນເປັນວຽກທີ່ງ່າຍສຳລັບມະນຸດ, ແຕ່ສຳລັບຄອມພິວເຕີ, ຮູບພາບແມ່ນເປັນຊຸດຕົວເລກທີ່ສະແດງເຖິງຄ່າສີຂອງແຕ່ລະ pixels. ນີ້ແມ່ນວຽກທີ່ຍາກສໍາລັບຄອມພິວເຕີ. ການເຂົ້າໃຈສິ່ງທີ່ຢູ່ໃນຮູບພາບແລະຫຼັງຈາກນັ້ນການສ້າງຄໍາອະທິບາຍເປັນພາສາທໍາມະຊາດ (ເຊັ່ນພາສາອັງກິດ) ແມ່ນອີກວຽກທີ່ຍາກ. ໂຄງ​ການ​ນີ້​ນໍາ​ໃຊ້​ເຕັກ​ນິກ​ການ​ຮຽນ​ຮູ້​ເລິກ​ໃນ​ການ​ທີ່​ພວກ​ເຮົາ​ປະ​ຕິ​ບັດ​ເປັນ Convolutional Neural Network (CNN) ກັບ Recurrent Neural Network (LSTM) ເພື່ອ​ສ້າງ​ການ​ສ້າງ​ການ​ອະ​ທິ​ບາຍ​ຮູບ​ພາບ.

ຊຸດຂໍ້ມູນ: Flickr 8K

: Python

ໂຄງຮ່າງການ: Keras

10. ການກວດຫາການສໍ້ໂກງບັດເຄຣດິດ

ເຮັດດີທີ່ສຸດຂອງທ່ານໃນຂະນະທີ່ເຮັດວຽກກ່ຽວກັບແນວຄວາມຄິດໂຄງການວິທະຍາສາດຂໍ້ມູນຂອງທ່ານ − ກວດພົບການສໍ້ໂກງບັດເຄຣດິດໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ.

ມາຮອດປະຈຸ, ທ່ານໄດ້ເລີ່ມຕົ້ນເຂົ້າໃຈເຕັກນິກແລະແນວຄວາມຄິດ. ຂໍໃຫ້ກ້າວໄປສູ່ບາງໂຄງການວິທະຍາສາດຂໍ້ມູນຂັ້ນສູງ. ໃນ​ໂຄງ​ການ​ນີ້​ພວກ​ເຮົາ​ຈະ​ນໍາ​ໃຊ້​ພາ​ສາ R ກັບ algorithms ຄື​ ຕົ້ນ​ໄມ້​ການ​ຕັດ​ສິນ​ໃຈ​, logistic regression, ເຄືອຂ່າຍ neural ທຽມແລະ gradient boosting classifier. ພວກເຮົາຈະນໍາໃຊ້ຊຸດຂໍ້ມູນຂອງທຸລະກໍາບັດເພື່ອຈັດປະເພດການເຮັດທຸລະກໍາບັດເຄຣດິດເປັນການສໍ້ໂກງຫຼືຂອງແທ້. ພວກເຮົາຈະເລືອກຮູບແບບທີ່ແຕກຕ່າງກັນສໍາລັບພວກເຂົາແລະສ້າງເສັ້ນໂຄ້ງການປະຕິບັດ.

: R

ຊຸດຂໍ້ມູນ/ຊຸດ: ຊຸດຂໍ້ມູນການເຮັດທຸລະກໍາບັດ

11. ລະບົບການແນະນຳຮູບເງົາ

ສຶກສາການປະຕິບັດໂຄງການວິທະຍາສາດຂໍ້ມູນທີ່ດີທີ່ສຸດດ້ວຍລະຫັດແຫຼ່ງ - ລະບົບການແນະນຳຮູບເງົາໃນພາສາ R

ໃນໂຄງການວິທະຍາສາດຂໍ້ມູນນີ້, ພວກເຮົາຈະນໍາໃຊ້ R ເພື່ອປະຕິບັດຄໍາແນະນໍາຂອງຮູບເງົາໂດຍຜ່ານການຮຽນຮູ້ເຄື່ອງຈັກ. ລະບົບການແນະນໍາສົ່ງຄໍາແນະນໍາໃຫ້ກັບຜູ້ໃຊ້ໂດຍຜ່ານຂະບວນການການກັ່ນຕອງໂດຍອີງໃສ່ຄວາມມັກຂອງຜູ້ໃຊ້ອື່ນແລະປະຫວັດການທ່ອງເວັບ. ຖ້າ A ແລະ B ມັກ Home Alone, ແລະ B ມັກ Mean Girls, ທ່ານສາມາດແນະນໍາ A - ພວກເຂົາອາດຈະມັກມັນຄືກັນ. ນີ້ອະນຸຍາດໃຫ້ລູກຄ້າສາມາດພົວພັນກັບເວທີ.

: R

ຊຸດຂໍ້ມູນ/ຊຸດ: ຊຸດຂໍ້ມູນ MovieLens

12. ການແບ່ງສ່ວນລູກຄ້າ

ເຮັດໃຫ້ນາຍຈ້າງປະທັບໃຈກັບໂຄງການວິທະຍາສາດຂໍ້ມູນ (ລວມທັງລະຫັດແຫຼ່ງ) - ການແບ່ງສ່ວນລູກຄ້າໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ.

ການແບ່ງສ່ວນຜູ້ຊື້ເປັນແອັບພລິເຄຊັນທີ່ນິຍົມ ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມ. ການນໍາໃຊ້ກຸ່ມ, ບໍລິສັດກໍານົດສ່ວນລູກຄ້າເພື່ອເປົ້າຫມາຍຖານຜູ້ໃຊ້ທີ່ມີທ່າແຮງ. ພວກເຂົາແບ່ງລູກຄ້າອອກເປັນກຸ່ມຕາມລັກສະນະທົ່ວໄປເຊັ່ນ: ເພດ, ອາຍຸ, ຄວາມສົນໃຈແລະນິໄສການໃຊ້ຈ່າຍເພື່ອໃຫ້ພວກເຂົາສາມາດຕະຫຼາດຜະລິດຕະພັນຂອງພວກເຂົາຢ່າງມີປະສິດທິຜົນຕໍ່ແຕ່ລະກຸ່ມ. ພວກເຮົາຈະນໍາໃຊ້ K- meansາຍເຖິງການຈັດກຸ່ມ, ເຊັ່ນດຽວກັນກັບການເບິ່ງເຫັນການແຈກຢາຍຕາມເພດແລະອາຍຸ. ຫຼັງຈາກນັ້ນພວກເຮົາຈະວິເຄາະລະດັບລາຍຮັບແລະລາຍຈ່າຍປະຈໍາປີຂອງພວກເຂົາ.

: R

ຊຸດຂໍ້ມູນ/ຊຸດ: ຊຸດຂໍ້ມູນ Mall_Customers

13. ປະເພດມະເຮັງເຕົ້ານົມ

ກວດເບິ່ງການຈັດຕັ້ງປະຕິບັດໂຄງການວິທະຍາສາດຂໍ້ມູນໃນ Python − ການຈັດປະເພດມະເຮັງເຕົ້ານົມໂດຍໃຊ້ການຮຽນຮູ້ເລິກເຊິ່ງ.

ກັບມາກັບການປະກອບສ່ວນທາງການແພດຂອງວິທະຍາສາດຂໍ້ມູນ, ໃຫ້ເຮົາຮຽນຮູ້ວິທີກວດຫາມະເຮັງເຕົ້ານົມໂດຍໃຊ້ Python. ພວກເຮົາຈະໃຊ້ຊຸດຂໍ້ມູນປະຈໍາ IDC_regular ເພື່ອລະບຸມະເຮັງທໍ່ລໍາໃສ້ທີ່ແຜ່ລາມ, ເປັນຮູບແບບມະເຮັງເຕົ້ານົມທີ່ພົບເລື້ອຍທີ່ສຸດ. ມັນພັດທະນາຢູ່ໃນທໍ່ນົມ, ຝັງເຂົ້າໄປໃນເນື້ອເຍື່ອເຕົ້ານົມທີ່ມີເສັ້ນໄຍຫຼືໄຂມັນຢູ່ນອກທໍ່. ໃນແນວຄວາມຄິດໂຄງການວິທະຍາສາດການເກັບກໍາຂໍ້ມູນນີ້ພວກເຮົາຈະນໍາໃຊ້ Deep Learning ແລະຫ້ອງສະຫມຸດ Keras ສໍາລັບການຈັດປະເພດ.

: Python

ຊຸດຂໍ້ມູນ/ຊຸດ: IDC_ປົກກະຕິ

14. ການຮັບຮູ້ສັນຍານຈະລາຈອນ

ການບັນລຸຄວາມແມ່ນຍໍາໃນເຕັກໂນໂລຊີຂັບລົດດ້ວຍຕົນເອງກັບໂຄງການວິທະຍາສາດຂໍ້ມູນ ການຮັບຮູ້ປ້າຍການຈະລາຈອນໂດຍໃຊ້ CNN ແຫຼ່ງເປີດ.

ປ້າຍຖະໜົນ ແລະ ກົດລະບຽບຈະລາຈອນ ແມ່ນມີຄວາມສຳຄັນຫຼາຍສຳລັບຜູ້ຂັບຂີ່ທຸກຄົນ ເພື່ອຫຼີກລ່ຽງອຸບັດຕິເຫດ. ເພື່ອປະຕິບັດຕາມກົດລະບຽບ, ກ່ອນອື່ນ ໝົດ ທ່ານຕ້ອງເຂົ້າໃຈວ່າປ້າຍຖະຫນົນມີລັກສະນະແນວໃດ. ບຸກຄົນໃດຫນຶ່ງຕ້ອງຮຽນຮູ້ປ້າຍຖະຫນົນທັງຫມົດກ່ອນທີ່ຈະໄດ້ຮັບໃບອະນຸຍາດຂັບຂີ່ຍານພາຫະນະໃດໆ. ແຕ່ໃນປັດຈຸບັນຈໍານວນຂອງຍານພາຫະນະອັດຕະໂນມັດແມ່ນການຂະຫຍາຍຕົວ, ແລະໃນອະນາຄົດອັນໃກ້ນີ້ຄົນຈະບໍ່ຂັບລົດເປັນເອກະລາດອີກຕໍ່ໄປ. ໃນໂຄງການຮັບຮູ້ປ້າຍຖະໜົນ, ທ່ານຈະໄດ້ຮຽນຮູ້ວິທີທີ່ໂຄງການສາມາດຮັບຮູ້ປະເພດຂອງປ້າຍຖະໜົນໂດຍການເອົາຮູບພາບເປັນການປ້ອນຂໍ້ມູນ. ຊຸດຂໍ້ມູນມາດຕະຖານການຮັບຮູ້ສັນຍານຈະລາຈອນຂອງເຢຍລະມັນ (GTSRB) ຖືກນໍາໃຊ້ເພື່ອສ້າງເຄືອຂ່າຍ neural ເລິກເພື່ອຮັບຮູ້ປະເພດທີ່ປ້າຍຈະລາຈອນເປັນ. ພວກເຮົາຍັງສ້າງ GUI ງ່າຍໆເພື່ອພົວພັນກັບແອັບພລິເຄຊັນ.

: Python

ຊຸດຂໍ້ມູນ: GTSRB (ມາດຕະຖານການຮັບຮູ້ປ້າຍຈະລາຈອນເຢຍລະມັນ)

ອ່ານ​ຕື່ມ

• 52 ຊຸດ​ຂໍ້​ມູນ​ສໍາ​ລັບ​ໂຄງ​ການ​ຝຶກ​ອົບ​ຮົມ​
• Dojo Front-end: ໂຄງການທີ່ຈະຝຶກອົບຮົມທັກສະນັກພັດທະນາ (5 ໃຫມ່ + 43 ເກົ່າ)
• ອັນດັບ 12 ໄອທີທີ່ໜ້າສົນໃຈທີ່ສຸດ infographics ແບບເຄື່ອນໄຫວ

ແຫຼ່ງຂໍ້ມູນ: www.habr.com